智能体定义与核心特征 - 智能体被定义为具备记忆、规划、执行和总结能力的系统，模拟人类完成任务[5][6] - 核心能力包括感知环境、规划步骤、执行动作（通过API或RPA）及调用工具形成闭环[6] - 技术演进推动定义扩展：从强自主性智能体到涵盖弱自主性的"智能系统谱系"[10] 产品形态与技术路径 - 内嵌式智能体（如ChatGPT Deep Research）与独立Agent（如Cursor）并存，前者通过端到端训练降低工程复杂度，后者依赖提示词+工程逻辑结合[18][19] - 通用型与垂直型Agent将长期共存：通用型覆盖广泛需求（如信息检索），垂直型深耕专业领域（如编程IDE）[22][23] - 技术分层：基模型内化Agent能力（高成本）、半模型微调+工程化支持、纯提示词驱动的轻量级Agent[39][40] 商业化路径与行业影响 - To B场景优先替代标准化工作（60%重复性岗位），如财务审核、文档处理，提效显著[29][30] - To C入口价值凸显：超级Agent可能整合多服务，重构"人找信息"为"服务找人"模式[72][73] - 国际市场更成熟：欧美付费意愿强+SaaS基础好，日本人力成本驱动Agent替代需求[68][78] 关键挑战与突破方向 - 记忆管理与长程上下文处理是核心瓶颈，需优化注意力机制与运行时权重更新技术[34][35] - 基模型进化可能挤压垂类Agent空间，但专业数据锚点（如医疗、法律）形成护城河[36][37] - 物理世界交互需补全多模态感知（视觉/触觉），具身智能或是AGI关键路径[49][51] 生态协议与评估体系 - MCP协议在C端价值明确（工具发现/调用），但B端因封闭环境更倾向直接API调用[56][57] - 评估需分层：通用测试集（如GAIA）设门槛，企业级定制化标准关注实际任务完成度[52][53] - Agent间社会化协同催生新业态，需建立任务验收、支付机制等基础设施[55][80]